Diffusion Convolutional Recurrent Neural Network: Datengetriebenes Verkehrsprognose

Die spatiotemporale Prognose hat verschiedene Anwendungen in der Neurowissenschaft, im Klima- und Transportbereich. Die Verkehrsprognose ist ein kanonisches Beispiel für eine solche Lernaufgabe. Die Aufgabe ist herausfordernd aufgrund von (1) der komplexen räumlichen Abhängigkeit von Straßennetzen, (2) der nichtlinearen zeitlichen Dynamik unter sich ändernden Straßenbedingungen und (3) der inhärenten Schwierigkeit der langfristigen Prognose. Um diese Herausforderungen anzugehen, schlagen wir vor, den Verkehrsfluss als Diffusionsprozess auf einem gerichteten Graphen zu modellieren und führen das Diffusion Convolutional Recurrent Neural Network (DCRNN) ein, ein Deep-Learning-Framework für die Verkehrsprognose, das sowohl räumliche als auch zeitliche Abhängigkeiten im Verkehrsfluss berücksichtigt. Konkret erfasst DCRNN die räumliche Abhängigkeit mittels bidirektionaler Zufallswege auf dem Graphen und die zeitliche Abhängigkeit mittels der Encoder-Decoder-Architektur mit geplanten Proben. Wir bewerten das Framework an zwei realen großen Datensätzen für Verkehrsnetzwerke und beobachten eine konsistente Verbesserung von 12% - 15% im Vergleich zu modernen Baselines.